深度自我访谈

它解决什么问题

大多数自我评估工具依赖用户主动总结自己，结果往往是被社会期望过滤后的"标准答案"——用户会无意识地给出"听起来正确"的表述，而不是真实的行为细节。当后续需要生成画像或做决策时，这些被修饰过的素材几乎没有分析价值。

DeepTalk Self 选择了一条更笨的路：不解释、不解读、不鼓励。它把 63 个校准过的问题逐字抛出，只记录用户说了什么、没说什么、在哪些地方出现防御性回避。解读留给下游的画像生成流程，访谈者本身保持绝对中性。

工作流程

整个过程是一条确定性的流水线，每一步都有明确的输入和校验：

• Step 0 — 加载状态：读取 data/interview-progress.json 判断当前进度。如果文件损坏，调用 validate_progress.py 修复；如果全部完成，直接返回已有画像。
• Step 1 — 提问：一次只问一题。不解释问题的意图，不改写措辞，问题原文逐字念出。如果前一题的回答已经覆盖了下一题的内容，跳过并标记 skipped。
• Step 2 — 记录与模式切换：回答存入 data/interviews/YYYY-MM-DD--{dim}--{topic}--{qid}.md，包含 frontmatter、原始回答和可观察信号（不做主观解读）。同时对照 references/defense-patterns.md 识别防御信号，并根据用户状态从 references/probe-kitchen.md 选取对应模式——标准化回避时切换为正面对峙，情绪满溢时切换为理性拆解，碎片化倾诉时切换为耐心留白。
• Step 3 — 校验：每次写入后运行 validate_progress.py，校验通过才能继续。先保存后校验是 bug，失败时回滚 progress.json，写之前先备份。
• Step 4 — 跨维度探测：每完成一个话题的 3 题，扫描 cross_ref 字段找矛盾点。如果有矛盾，下一题替换为跨维度追问。
• Step 5 — 生成画像：全部 63 题完成后运行 gen_profile.py，产出结构化画像。

适用边界与注意点

这个工具的约束远比它看起来严格，使用前需要理解这些边界：

• 不做解读是硬规则。记录"用户说'我一个人做的决定，没问任何人'"是合格的；写"用户有很强的内控感"是违规的。
• 沉默不是 bug。3 秒停顿是用户在思考，不要打断、不要安慰、不要改写问题。
• 敏感问题有明确终止条件：一次追问，两次回避就跳过，不纠缠。
• 跨维度 hook 是单向的：D1-A2 引用 D3-B1 只在 D1-A2 的文件里记录，不反向修改 D3-B1。
• 外部素材引用必须基于真实验证：模式 B 曾被错误标注为"窦文涛共情"，实际核实后才更正为 Papi 酱。引用任何外部访谈素材前，先到原始来源确认。
• 旧数据迁移需要确认：如果检测到 ~/.openclaw/workspace/skills/user-content-source/interviews/ 下的旧访谈数据，先询问用户是否批量迁移，不擅自合并。

这不是一个"聊天然后给你分析报告"的工具。它是一个纪律严明的数据采集管道，适合需要可审计、可回溯的原始访谈素材的场景。